低信噪比下LFM-BPSK复合调制信号参数估计

ILFM-BPSK复合调制信号兼具线性调频信号(ILFM)与二相编码信号(BPSK)的优点,已经广泛应用于多种雷达中。提出了基于插值优化分数阶傅里叶变换(FRFT)和循环谱相关的参数估计算法。首先对ILFM-BPSK信号进行平方处理,将信号转化为倍频的ILFM信号,采用插值优化FRFT方法估计ILFM信号的起始频率和调频斜率,然后重构ILFM信号,并与原信号共轭相乘得到基带BPSK信号,最后采用循环谱相关技术提取BPSK信号的码速率。仿真实验表明,该参数估计算法能在低信噪比条件下精确估计信号参数。     

基于FRFT的雷达辐射源信号特征分析及提取

针对用于分选的雷达辐射源信号参数空间严重交错的问题,提出了基于分数阶傅里叶变换(FRFT)的雷达辐射源信号特征分析与提取方法。该方法提出特征定义——信号聚散度,同时将相像系数引入信号特征的提取中。通过计算不同阶FRFT中的聚散度和相像系数得到相应的变化曲线,提取曲线峰值对应的阶数值和峰度,并进一步提取信号做k次方谱的相像系数,以此构造新的分选特征向量。通过仿真实验验证了新特征向量具有更好的可分性。     

基于周期FRFT的对称三角LFMCW信号检测算法

对称三角线性调频连续波信号（STLFMCW）是一种常用的线性调频连续波信号,具有低截获概率性质。针对这一性质,提出了一种周期分数阶傅里叶变换（PFRFT）对对称三角线性调频连续波信号的检测算法;分析了对称三角线性调频连续波信号的PFRFT及其性质,并对无先验知识条件下的STLFMCW信号检测技术进行研究,给出了基于PFRFT的STLFMCW信号检测流程并进行性能分析仿真;仿真结果表明：该算法对STLFMCW信号有良好的检测性能,相比于FRFT,PFRFT更适合对STLFMCW信号进行处理。     

基于FRFT的Hilbert变换

解析信号的一个重要性质是从正频谱中恢复实信号,现有的基于分数阶Fourier变换( FRFT)的Hilber变换(HT)理论尚未解决这一问题。本文从分数阶乘积一卷积理论出发,研究了基于FRFT的HT理论与解析信号的定义和性质,给出了理论分析和推导,证明了通过解析信号在分数阶Fourier域的正频率谱能够恢复实信号。仿真结果表明,本文提出的方法可以增强单边带通信系统的保密性,并具有较高的图像加密效果。本文研究是对基于FRFT的HT理论的丰富和完善。     

基于FRFT的几种典型相位编码信号检测与参数估计

多相编码(Frank码、P1码、P2码、P3码与P4码)信号是一类典型的低截获概率雷达信号。针对该类信号的检测与参数估计,分析了多相编码信号的时频分布特征,讨论了多相编码信号在分数阶Fourier域的频谱分布特征,并以Frank码信号为例,推导出多相编码信号的主要特征参数的估计表达式。提出了一种基于分数阶Fourier变换(FRFT)的多相编码信号检测与参数估计算法。该算法给出一种利用FRFT估计多相编码信号载频的方法。最后,仿真结果表明该算法在低信噪比(SNR)条件下对多相编码信号仍具有较好的检测和参数估计效果。     

基于小波神经网络的信号识别

信号的分选和识别技术在当今信号处理的系统中占有相当重要的地位.小波分析和神经网络是近年来兴起的一种分析信号方法.文中对二者的结合问题进行了研究.小波空间可以作为信号分类的特征空间,进而可以通过神经网络对信号进行特征识别.小波神经网络是基于小波分析而构造的神经网络模型.在信号调制类型识别中,利用小波伸缩平移把信号分解到不同频道上进行特征提取;把提取的特征信息输入神经网络进行分类.仿真结果表明,利用此方法可以较好的对信号进行分选和识别.     

基于谱相关的正弦调频和脉间伪码调相复合体制侦查信号识别

推导了正弦调频和脉间伪码调相复合体制信号的谱相关函数(SCF)，基于谱相关特征给出了对该复合体制侦察信号的自动识别算法。分析了宽带调频和窄带调频两种情况下谱相关函数的特征,对载频、调制频率、调制系数以及伪码的子脉冲宽度、子脉冲重复周期、编码个数进行了盲估计,分析了信噪比对参数估计精度的影响。仿真分析表明，在SNR为-5dB时,对载频和调制频率估计的归ー化均方根误差（NRMSE)小于2.5%,在SNR>0dB时,对伪码参数估计的NRMSE小于7.5%.     

基于小波包和HMM的战场声信号识别

针对战场声信号复杂多变的特点,提出了一种基于小波包特征参数(WPFC)和隐马尔科夫模型(HMM)相结合的战场声目标识别方法。该方法利用小波包对信号高、低频段能进行精细划分,从而得到更能反映战场声信号特征的小波包特征参数;并利用HMM具有很强的表征时变信号能力的优点,将HMM作为训练识别模型。仿真结果表明了此方法的准确性和可行性。     

基于时频图像和神经网络的LPI雷达信号调制识别

针对LPI雷达信号调制识别问题,提出一种基于时频分析、图像处理和神经网络的LPI雷达信号识别新方法。该方法先对LPI雷达信号进行时频分析,获得时频分布图像,然后利用图像处理的方法对时频图像作预处理,最后再用RBF神经网络对处理后的图像进行识别分类。仿真实验表明,该方法在信噪比高于3dB时,平均正确识别率达到了92%。     

基于卷积网络和对抗式学习的雷达信号识别算法

针对雷达信号识别中因新信号数据与训练数据的样本差异,导致卷积网络模型识别率下降的问题,提出一种基于卷积网络和对抗学习的雷达信号识别算法,提升模型对新样本的识别率.首先,依据时频变换理论,变换得到雷达信号时域-频域能量分布图像,以表征信号脉内调制特征;然后,结合深度可分离卷积的结构,构建卷积网络模型,并利用样本数据对模型...     

基于三阶相关函数的引信信号识别

伪码脉冲信号通常是逐个码元来进行识别,抗干扰能力很差.提出根据伽罗华扩域的性质,通过m序列的三阶相关函数对其反馈逻辑进行识别.计算机仿真验证,结果正确,表明m序列的三阶相关函数具有很强的抗干扰性,特别是在白噪声环境中具有很好的累积作用,并且与其反馈逻辑具有一一对应的关系.采用三阶相关函数对伪码调相脉冲无线电引信信号进行识别,效果非常理想.     

基于折叠法和灰关联分析的威胁雷达信号识别

针对传统雷达信号识别系统的识别过程复杂繁琐、运算量大、对复杂体制的雷达信号识别能力差等问题,提出了基于折叠法和灰关联分析的威胁雷达信号识别方法。该方法将预分选后的脉冲流用折叠法进行分选,然后利用信号特征曲线求得雷达信号的子周期,最后通过灰关联分析进行威胁雷达信号识别。仿真验证结果表明,该威胁雷达信号识别方法是有效可行的,对复杂的电磁环境和复杂体制的雷达信号的适应能力强,识别结果准确度高。     

基于假设检验的FRFT域LFM干扰抑制

针对FRFT域LFM干扰抑制门限较难准确设置的问题,分析了固定门限法与自适应门限法利用FRFT域统计量确定门限存在的缺陷。在直接序列扩频信号与信道噪声的和近似服从高斯分布的条件下,利用LFM干扰和高斯白噪声在FRFT域谱的性质,提出直接序列扩频接收机基于假设检验的LFM干扰抑制新算法。计算机仿真结果验证了算法的有效性。     

直升机声信号特征提取和识别技术

简要介绍了直升机的飞行噪声和它的频域特征，论述了声信号特征的提取技术，采用基于模式识别的信息处理方法，用ＡＲ模型参数谱估计算法高质量地估计一直升机的声线谱；用二次近似法快速有效地提取了直升机的声线谱特征，构成特征矩阵；用模式识别中句法分析方法对声目标进行有效的判决、识别，并编写了相应的程序，给出了分析结果，效果良好。     

线性化信号与控制信号的相位差对周期平均力影响的分析

自旋导弹的姿态通常采用单通道控制方法.介绍了该控制方法所应用的周期平均力形成原因,以及其大小和方向的确定方法;阐述了该控制方法中使用的线性化控制方法;分析了线性化信号和控制信号之间的相位差对周期平均力的影响;得出了周期平均力的大小和方向均随相位差周期性的变化,且变化周期为π的规律,并且得到了精确的变化曲线,周期平均力的...     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90%以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于声信号多重分形和支持向量机的目标识别研究

为提高智能地雷对地面装甲目标的识别率,针对地面装甲目标辐射的噪声信号具有非线性的特性,建立了一种基于多重分形和支持向量机(SVM)相结合的分类识别模型。通过野外场地实验,采集到两种装甲目标在不同工况（运行速度）下的各40组样本信号;利用多重分形分析计算得到两种目标信号的广义分形维数谱(GFDS),分析了两种目标信号在不同工况下多重分形谱的特征;将GFDS值作为目标特征向量输入SVM分类模型,经训练得到最优分类结果,并与小波包能量(WPE)法提取样本特征后输入SVM的识别效果进行了对比,结果表明前者的识别率达到92.5%,高于后者的85%的识别率。     

基于残差重构网络的射频信号个体识别

针对主流方法对信号个体识别效率低、误识别的问题,提出一种基于残差重构网络的射频信号个体识别 方法。通过傅里叶变换得到侦收信号的频域特征,作为神经网络的输入向量;利用残差网络能够解决网络退化和梯 度消失的优势,重构残差网络,并将其作为射频信号个体识别的核心网络模型;通过固定每层网络的通道数,实现 减少模型参数量,达到神经网络轻量化目的。实验结果表明：与ResNet18 方法相比,该方法针对30 个目标信号的 个体识别率提升了约3.8%,模型大小降低了13 倍,能较好地解决模型压缩与识别算法性能无法平衡的问题。     

基于小波脊线特征提取的雷达辐射源信号识别

针对在低信噪比条件下雷达辐射源信号识别率低的问题,提出了一种基于小波脊线特征提取的雷达辐射源信号脉内调制方式识别方法.该方法使用新的改进Morlet小波提取信号瞬时频率,变换后提取其二次特征用于分类识别.计算机仿真结果表明本方法提取的特征向量具有良好的识别能力,在2 dB的低信噪比条件下,平均识别率可达到90％以上,通过与现有方法进行对比仿真验证了本算法在低信噪比环境下的优越性.     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。